whispertranscribe.ai ஆசிரியர் குழு · கடைசியாகப் புதுப்பிக்கப்பட்டது நவம்பர் 2026 · 13 நிமிட வாசிப்பு
Whisper AI என்றால் என்ன? பெரும்பாலான தேடல்களில் இது OpenAI Whisper-ஐக் குறிக்கிறது. செப்டம்பர் 2022-இல் OpenAI வெளியிட்ட திறந்த மூலப் பேச்சறிதல் மாதிரி இது. பதிவு செய்யப்பட்ட பேச்சை எழுத்தாக்குகிறது, எந்த மொழி பேசப்படுகிறது எனக் கண்டறிகிறது, பிற மொழிப் பேச்சை ஆங்கிலத்திற்கு மொழிபெயர்க்கிறது. இணையத்தில் கிடைத்த 680,000 மணி நேர ஒலியில் இதைப் பயிற்றுவித்த OpenAI, நிரல் குறியீட்டையும் மாதிரி எடைகளையும் MIT உரிமத்தில் வெளியிட்டது.
whispertranscribe.ai-ஐ நாங்கள் உருவாக்குகிறோம். whispertranscribe.ai என்பது 130+ மொழிகளில் ஒலியையும் காணொளியையும் எழுத்தாக்கும் இணைய AI படியெடுப்புக் கருவி. இந்த வழிகாட்டி மாதிரியையும் அதைப் பயன்படுத்தும் சேவைகளையும் தனித்தனியாக விளக்குகிறது. மாதிரி குறித்த ஒவ்வொரு எண்ணும் OpenAI ஆய்வுக் கட்டுரை, நிரல் களஞ்சியம் அல்லது மாதிரி அட்டையிலிருந்து வருகிறது.
சுருக்கமான பதில்: Whisper AI என்றால் என்ன?
Whisper என்பது பேச்சை எழுத்தாக்கும் மாதிரி. OpenAI-யின் GitHub களஞ்சியத்திலிருந்து பதிவிறக்கி உங்கள் கணினியில் இயக்கலாம் அல்லது உங்களுக்காக இதை இயக்கும் சேவையைப் பயன்படுத்தலாம்.
- உருவாக்கியது: OpenAI. பெருமளவிலான பலவீன மேற்பார்வையுடன் நம்பகமான பேச்சறிதல் என்ற ஆய்வுக் கட்டுரை டிசம்பர் 6, 2022 அன்று arXiv-இல் வெளியிடப்பட்டது.
- செயல்பாடுகள்: பேச்சைப் படியெடுக்கும், மொழியைக் கண்டறியும், பேச்சை ஆங்கிலத்துக்கு மொழிபெயர்க்கும், பகுதிகளுக்கு நேரக்குறி சேர்க்கும்.
- கூடுதல் கருவிகள் தேவைப்படும் செயல்பாடுகள்: பேசுபவரைக் குறித்தல், நேரடிப் படியெடுப்பு. கூடுதல் வேலை இல்லாமல் நிகழ்நேரப் படியெடுப்புக்குப் பயன்படுத்த இயலாது என OpenAI மாதிரி அட்டை குறிப்பிடுகிறது.
- அளவுகள்: ஆறு, tiny (39 மில்லியன் அளவுருக்கள்) முதல் large (1,550 மில்லியன்) வரை.
- செலவு: பதிவிறக்குவதும் இயக்குவதும் இலவசம். வன்பொருள் உங்களுடையது.
«Whisper AI» என்பது மூன்று வெவ்வேறு பொருள்களைக் குறிக்கலாம்
இந்தப் பெயர் பலவிதமாகப் பயன்படுத்தப்படுவதால் மூன்றையும் குழப்பிக்கொள்ள வாய்ப்பുണ്ട്.
| «Whisper AI» என அழைக்கப்படுவது | அது என்ன? | உருவாக்கியது யார்? | பயன்படுத்துவது எப்படி? |
|---|---|---|---|
| OpenAI Whisper | திறந்த மூலப் பேச்சறிதல் மாதிரி | OpenAI | நிரலையும் மாதிரி எடைகளையும் பதிவிறக்கி நீங்களே இயக்குங்கள் |
| whisper-1 | படியெடுப்புக்கான OpenAI-யின் சேவையக API மாதிரி | OpenAI | ஒலிக் கோப்புகளை OpenAI API-க்கு அனுப்பிப் பயன்பாட்டுக்கு ஏற்ப பணம் செலுத்துங்கள் |
| பெயரில் «Whisper» உள்ள செயலிகள் | whisperai.com, whispertranscribe.ai (இந்தத் தளம்) போன்ற படியெடுப்புத் தயாரிப்புகள் | தனித்தனி நிறுவனங்கள் | அவற்றின் செயலிகளில் ஒலியைப் பதிவேற்றுங்கள் அல்லது பதிவு செய்யுங்கள் |
மூன்றாம் வரியிலுள்ள தயாரிப்புகள் தனித்தனி சேவைகள். அம்சங்கள், வரம்புகள், விலை, தனியுரிமை விதிகள் ஆகியவற்றை ஒவ்வொரு நிறுவனமும் முடிவுசெய்கிறது. இந்தக் கட்டுரையில் «Whisper» என்பது OpenAI மாதிரியைக் குறிக்கிறது.
Whisper எவ்வாறு இயங்குகிறது?
Whisper ஓர் encoder-decoder Transformer மாதிரி. குறியாக்கி 30 விநாடி ஒலியை எண் வடிவில் பிரதிநிதித்துவப்படுத்துகிறது. குறிவிலக்கி அதற்குரிய உரையை ஒவ்வொரு டோக்கனாக எழுதுகிறது. என்ன பணி செய்ய வேண்டும் என்பதைச் சிறப்பு டோக்கன்கள் குறிப்பிடுகின்றன.
Whisper ஆய்வுக் கட்டுரை இந்தச் செயல்முறையை விளக்குகிறது.
- மாதிரி வீதத்தை மாற்றுதல். ஒலி 16,000 Hz ஆக மாற்றப்படுகிறது.
- 30 விநாடித் துண்டுகளாகப் பிரித்தல். மாதிரி ஒவ்வொரு முறையும் 30 விநாடிகளைப் பார்க்கும். குறுகிய துண்டில் மீதி நீளம் நிரப்பப்படும்.
- நிறமாலை வரைபடம் உருவாக்குதல். ஒவ்வொரு துண்டும் 80 சேனல்கள் கொண்ட log-Mel நிறமாலை வரைபடமாகிறது. காலப்போக்கில் அதிர்வெண்களுக்கு இடையில் ஒலி ஆற்றல் எவ்வாறு மாறுகிறது என்பதை இது காட்டுகிறது. ஒவ்வொரு 10 மில்லிவிநாடிக்கும் 25 மில்லிவிநாடி அளவுள்ள சட்டகம் எடுத்துக் கணக்கிடப்படுகிறது. (Large-v3 128 சேனல்களுக்கு மாறியது.)
- குறியாக்குதல். இரண்டு convolution அடுக்குகளும் Transformer தொகுதிகளின் அடுக்கும் நிறமாலை வரைபடத்தைச் செயலாக்குகின்றன.
- குறிவிலக்குதல். குறிவிலக்கி முதலில் மொழி அல்லது «பேச்சு இல்லை» டோக்கனைக் கணிக்கிறது. அடுத்து பணி (படியெடுப்பு அல்லது மொழிபெயர்ப்பு), நேரக்குறிகள் சேர்க்க வேண்டுமா, கடைசியாக உரை ஆகியவற்றைக் கணிக்கிறது.
நேரக்குறிகளும் டோக்கன்களாகக் கணிக்கப்பட்டு அருகிலுள்ள 20 மில்லிவிநாடி மடங்குக்கு முழுமையாக்கப்படுகின்றன. இவ்வாறு ஒரே மாதிரி மொழியறிதல், படியெடுப்பு, மொழிபெயர்ப்பு, நேரக் குறியீடு ஆகியவற்றைக் கையாள்கிறது.
Whisper எதைக் கொண்டு பயிற்றுவிக்கப்பட்டது?
முதலாவது மாதிரிகள் இணையான படியெடுப்பு உரையுடன் 680,000 மணி நேர இணைய ஒலியிலிருந்து கற்றன. அளவீட்டுத் தரவுத்தொகுப்புகள் போல் படியெடுப்புகள் கையால் சரிபார்க்கப்படாததால் இதை «பலவீன மேற்பார்வை» என்று OpenAI அழைக்கிறது.
| பயிற்சி ஒலியின் பங்கு | மணி நேரம் | உள்ளடக்கம் |
|---|---|---|
| சுமார் 65% | 438,000 | ஆங்கில ஒலி மற்றும் ஆங்கிலப் படியெடுப்புகள் |
| சுமார் 18% | 126,000 | பிற மொழி ஒலி மற்றும் ஆங்கிலப் படியெடுப்புகள் (மொழிபெயர்ப்புத் தரவு) |
| சுமார் 17% | 117,000 | பிற மொழி ஒலியும் அதே மொழிப் படியெடுப்பும் |
ஆதாரம் OpenAI-யின் Whisper மாதிரி அட்டை. ஆய்வுக் கட்டுரை மொழிபெயர்ப்புப் பங்கைச் சுமார் 125,000 மணி நேரம் எனக் குறிப்பிடுகிறது.
Whisper செயல்படும் விதத்தை இரண்டு தகவல்கள் விளக்குகின்றன. முழுவதும் பெரிய எழுத்திலுள்ள உரை போன்ற இயந்திரம் உருவாக்கியதாகத் தோன்றிய படியெடுப்புகளை OpenAI வடிகட்டியது. எனவே மாதிரி நிறுத்தற்குறிகளுடன் வாக்கியங்களை எழுதக் கற்றது. பல இணையப் படியெடுப்புகளில் பேச்சாளர் பெயர்கள் இருந்ததால், ஆரம்ப மாதிரிகள் அவற்றை ஊகிக்க முனைந்தன. OpenAI நுண்பயிற்சி மூலம் இதைச் சரிசெய்தது. மாதிரி பயிற்சி உரையை எவ்வளவு நெருக்கமாகப் பிரதிபலிக்கிறது என்பதை இது காட்டுகிறது.
Hugging Face மாதிரி அட்டையின்படி, Large-v3 சுமார் 5 மில்லியன் மணி நேரத்தில் வேறு விதமாகப் பயிற்றுவிக்கப்பட்டது. 1 மில்லியன் மணி நேரத்திற்கு இணையத்திலிருந்து கிடைத்த பலவீன அடையாளங்களும் 4 மில்லியன் மணி நேரத்திற்கு large-v2 வழங்கிய அடையாளங்களும் பயன்படுத்தப்பட்டன.
Whisper மாதிரி அளவுகளின் ஒப்பீடு
Whisper ஆறு அளவுகளில் கிடைக்கிறது. சிறிய மாதிரிகள் சாதாரண வன்பொருளில் விரைவாக இயங்கும். பெரியவை குறைவான தவறுகளைச் செய்யும், ஆனால் அதிகக் காணொளி நினைவகம் (VRAM) தேவை. கீழுள்ள எண்கள் OpenAI README-இலிருந்து எடுக்கப்பட்டவை.
| அளவு | அளவுருக்கள் | ஆங்கிலம் மட்டும் | பல்மொழிப் பதிப்பு | தேவையான VRAM | large உடன் ஒப்பிடும் வேகம் |
|---|---|---|---|---|---|
| tiny | 39 M | tiny.en | tiny | ~1 GB | ~10x |
| base | 74 M | base.en | base | ~1 GB | ~7x |
| small | 244 M | small.en | small | ~2 GB | ~4x |
| medium | 769 M | medium.en | medium | ~5 GB | ~2x |
| large | 1550 M | இல்லை | large | ~10 GB | 1x |
| turbo | 809 M | இல்லை | turbo | ~6 GB | ~8x |
OpenAI தரவு மைய A100 GPU-இல் ஆங்கிலப் பேச்சைப் பயன்படுத்தி இந்த வேகங்களை அளந்தது. நடைமுறை வேகம் கணிசமாக மாறலாம் என்று கூறுகிறது. மடிக்கணினி மெதுவாக இயங்கும்.
எந்த Whisper மாதிரியைத் தேர்வு செய்வது?
கிடைக்கும் நினைவகத்தையும் படியெடுப்பின் நோக்கத்தையும் முதலில் பாருங்கள்.
- அடிப்படைக் கணினியில் சோதிக்க: tiny அல்லது base, சுமார் 1 GB VRAM. அதிகத் தவறுகள் வரலாம்.
- ஆங்கிலம் மட்டும்:
.enமாதிரியைப் பயன்படுத்துங்கள். குறிப்பாக tiny மற்றும் base அளவுகளில் அவை சிறப்பாகச் செயல்படுவதாக OpenAI சொல்கிறது. - ஏற்ற வேகத்தில் நல்ல தரம்: turbo, சுமார் 6 GB. இது கட்டளை வரியின் இயல்புநிலை.
- பேச்சை ஆங்கிலத்திற்கு மாற்ற: medium அல்லது large. Turbo மொழிபெயர்ப்புக்காகப் பயிற்றுவிக்கப்படவில்லை. மொழிபெயர்க்கச் சொன்னாலும் மூல மொழியில் தரும்.
- கடினமான ஒலியில் சிறந்த முடிவு: large, சுமார் 10 GB VRAM.
Whisper பதிப்புகளின் சுருக்கமான காலவரிசை
«Large» என்ற பெயரில் மூன்று வெளியீடுகள் வந்துள்ளன. turbo என்பது எடை குறைக்கப்பட்ட large-v3. எந்தப் பதிப்பைப் பயன்படுத்துகிறோம் என்பதைப் பொறுத்து முடிவு மாறும்.
| பதிப்பு | வெளியீடு | மாற்றம் |
|---|---|---|
| முதல் மாதிரிகள் (tiny முதல் large வரை) | செப்டம்பர் 2022 | ஆய்வுக் கட்டுரையுடன் முதல் திறந்த மூல வெளியீடு |
| large-v2 | டிசம்பர் 2022 | ஒரே அளவு, கூடுதல் ஒழுங்குபடுத்தலுடன் 2.5 மடங்கு நீளமான பயிற்சி |
| large-v3 | நவம்பர் 2023 | 128 Mel சேனல்கள், புதிய கான்டோனீஸ் டோக்கன், பல மொழிகளில் v2 விட 10% முதல் 20% வரை குறைந்த தவறுகள் |
| turbo (large-v3-turbo) | செப்டம்பர் 2024 | வேகத்துக்காக குறிவிலக்கி அடுக்குகள் 32-இலிருந்து 4 ஆகக் குறைக்கப்பட்டன. மொழிபெயர்ப்பு இல்லை |
ஆதாரங்கள் Whisper மாதிரி அட்டை, large-v2 பற்றிய ஆய்வுக் கட்டுரையின் அடிக்குறிப்பு, large-v3 மற்றும் large-v3-turbo பற்றிய Hugging Face அட்டைகள்.
Whisper எத்தனை மொழிகளை ஆதரிக்கிறது?
Whisper ஏறக்குறைய 99 மொழிகளைக் கண்டறியும். ஆய்வுக் கட்டுரையின் மொழி கண்டறிதலில் 99 மொழி டோக்கன்கள் பயன்படுத்தப்பட்டன. large-v3 கான்டோனீஸைச் சேர்த்த பின் தற்போதைய டோக்கன் பிரிப்பியில் 100 மொழிக் குறியீடுகள் உள்ளன. மொழி ஆதரவு இருந்தாலும் தரம் மாறும். சுமார் 10 மொழிகளில் Whisper வலுவான முடிவுகளைத் தருவதாக மாதிரி அட்டை சொல்கிறது.
பயிற்சித் தரவைப் பொறுத்துத் தரம் மாறுகிறது. ஒரு மொழியை மாதிரி எத்தனை மணி நேரம் கேட்டுள்ளது என்பதிலிருந்து அதன் செயல்திறனை நன்றாகக் கணிக்கலாம் என்றும் பெரும்பாலான மொழிகளில் 1,000 மணி நேரத்துக்கும் குறைவான ஒலி இருந்தது என்றும் ஆய்வுக் கட்டுரை கூறுகிறது. குறைவான தரவுள்ள மொழியைவிட ஆங்கிலம், ஸ்பானிஷ், ஜெர்மன் ஆகியவை பொதுவாகத் தெளிவாக வரும். உங்கள் மொழிக்கான பிழைகளை அறிய README-இலுள்ள மொழிவாரி வரைபட இணைப்பைப் பாருங்கள்.
தயாரிப்புகளின் மொழி எண்ணிக்கை தனி. whispertranscribe.ai 130+ மொழிகளை ஆதரிக்கிறது. இது எங்கள் சேவையின் ஆதரவு (விலைப் பக்கத்தில் «130+ மொழிகளும் உச்சரிப்புகளும்»). திறந்த மூல Whisper மாதிரியின் ஆதரவு எண்ணிக்கை மேலே உள்ளது.
Whisper எவ்வளவு துல்லியமானது?
துல்லியம் மாதிரி அளவு, மொழி, பதிவு ஆகியவற்றைப் பொறுத்தது. தெளிவாக வாசிக்கப்பட்ட ஆங்கிலத்தில் large-v2 மாதிரியின் சொல் பிழை வீதம் (WER) 2.7%. பெரும்பாலும் கடினமான 14 ஆங்கிலச் சோதனைத் தொகுப்புகளில் சராசரி 12.8%.
ஒருவர் உருவாக்கிய குறிப்புப் படியெடுப்புடன் ஒப்பிடும்போது மாதிரி மாற்றும், விடும் அல்லது சேர்க்கும் சொற்களின் விகிதமே WER. குறைவாக இருந்தால் நல்லது. கீழுள்ள எண்கள் ஆய்வுக் கட்டுரையின் அட்டவணை 2-இலிருந்து எடுக்கப்பட்டவை. LibriSpeech ஒலிப்புத்தகத் தரவுத்தொகுப்பில் பயிற்சி பெற்ற wav2vec 2.0 மாதிரியுடன் Whisper large-v2 ஒப்பிடப்படுகிறது.
| சோதனைத் தொகுப்பு | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech தெளிவான ஒலி (வாசிக்கப்பட்ட ஒலிப்புத்தகங்கள்) | 2.7% | 2.7% |
| Common Voice (பங்கேற்பாளர்கள் பதிவு செய்த பேச்சு) | 29.9% | 9.0% |
| CHiME-6 (இரைச்சலான விருந்துப் பதிவுகள்) | 65.8% | 25.5% |
| அட்டவணையிலுள்ள 14 சோதனைத் தொகுப்புகளின் சராசரி | 29.3% | 12.8% |
ஒலிப்புத்தகச் சோதனையில் இரு மாதிரிகளும் சமமாக உள்ளன. பிற சோதனைகளில் Whisper கணிசமாகச் சிறப்பாகச் செயல்பட்டு, சராசரியாக 55.2% குறைவான தவறுகளைச் செய்கிறது. OpenAI அறிவிப்பு இந்த எண்ணை «50% குறைவான தவறுகள்» என முழுமையாக்குகிறது. ஆய்வின் இரைச்சல் சோதனைகளில், ஏறக்குறையத் தெளிவான ஒலியில் LibriSpeech பயிற்சி பெற்ற மாதிரிகள் சிறப்பாக இருந்தன. மதுக்கூடம் போன்ற பின்னணி இரைச்சல் அதிகரித்து ஒலி சமிக்ஞைக்கும் இரைச்சலுக்கும் இடையிலான விகிதம் 10 dB-க்குக் கீழ் சென்றதும் அவை பின்தங்கின.
இவை ஆய்வு அளவீடுகள். உங்கள் கோப்புகளின் முடிவு மாறலாம். தயாரிப்பு தொடர்பான கூற்றுகள் தனியானவை. தெளிவான ஒலியில் whispertranscribe.ai 99% வரை துல்லியத்தை அடைகிறது. பின்னணி இரைச்சல், ஒன்றன்மீது ஒன்று மோதும் பேச்சு, வலுவான உச்சரிப்பு ஆகியவை துல்லியத்தைக் குறைக்கும்.
Whisper-இன் வரம்புகள் என்ன?
யாரும் சொல்லாததை இயல்பாகத் தோன்றும் உரையாக எழுதுவது இதன் முக்கியக் குறை. OpenAI மாதிரி அட்டை இதை மாய உருவாக்கம் (hallucination) எனக் குறிப்பிட்டு, பலவீன மேற்பார்வைப் பயிற்சியுடன் இணைக்கிறது. மீண்டும் மீண்டும் எழுதுதல், மொழி மற்றும் உச்சரிப்புக்கேற்ப மாறும் துல்லியம், உள்ளமைந்த பேச்சாளர் அடையாளமின்மை ஆகியவற்றையும் பட்டியலிடுகிறது.
- சொல்லப்படாத உரை. 2024-இல் வெளியான Careless Whisper ஆய்வில், பரிசோதிக்கப்பட்ட படியெடுப்புகளில் சுமார் 1%-இல் ஒலியில் இடம்பெறாத முழுச் சொற்றொடர்கள் அல்லது வாக்கியங்கள் இருந்தன. நீண்ட பேச்சு இடைவெளிகளில் இவை அதிகமாக நிகழ்ந்தன.
- மீண்டும் மீண்டும் எழுதுதல். மாதிரி ஒரே சொற்றொடரைத் தொடர்ந்து எழுதலாம். Beam search, temperature fallback இவற்றை «ஓரளவு» குறைப்பதாக மாதிரி அட்டை சொல்கிறது. சிக்கல் முழுமையாகத் தீராது.
- முதல் அல்லது கடைசிச் சொற்கள் விடுபடுதல். ஒரு பகுதியின் முதல் அல்லது கடைசிச் சொற்கள் சில விடுபடுவது தெரிந்த சிக்கலென ஆய்வுக் கட்டுரை குறிப்பிடுகிறது.
- நீண்ட பதிவுகள் துண்டுகளாக்கப்பட வேண்டும். Whisper ஒரே நேரத்தில் 30 விநாடிகளையே பார்க்கிறது. நீண்ட கோப்பில் கணித்த நேரக்குறிகளை வைத்து படியெடுப்புக் கருவி அடுத்த துண்டுக்குச் செல்கிறது. ஒரு துண்டில் உள்ள தவறு அடுத்ததைப் பாதிக்கலாம்.
- பேச்சாளர் அடையாளங்கள் இல்லை. யார் எப்போது பேசினார் என்று பிரிக்கும் திறன் (diarization) போதிய அளவு சோதிக்கப்படவில்லை என மாதிரி அட்டை குறிப்பிடுகிறது. இதற்குத் தனிக் கருவி தேவை.
- இயல்பாக நிகழ்நேரப் படியெடுப்பு இல்லை. பதிவுசெய்த கோப்புகளுக்காக இது உருவாக்கப்பட்டது. நேரடி வசனங்களுக்குக் கூடுதல் கட்டமைப்பு தேவை.
- மொழிக்கும் உச்சரிப்புக்கும் ஏற்ப மாறும். சில உச்சரிப்புகள், வட்டார மொழிகள், மக்கள்தொகைக் குழுக்களில் அதிகப் பிழை வீதம் இருப்பதாக மாதிரி அட்டை குறிப்பிடுகிறது.
சம்மதமின்றிப் பிறர் பேச்சைப் படியெடுப்பதற்கும் உயர் ஆபத்துள்ள முடிவுகளை எடுக்கப் பயன்படுத்துவதற்கும் எதிராக OpenAI எச்சரிக்கிறது.
அதிகாரபூர்வ ஆதாரங்கள் எங்கு மாறுபடுகின்றன?
OpenAI-யின் ஆவணங்களுக்கிடையே சில எண்கள் மாறுகின்றன. முழுமையாக்குதல் அல்லது பதிப்பு மாற்றங்கள் பெரும்பாலும் காரணம். எண்ணை மேற்கோள் காட்டும் முன் இவற்றைப் பாருங்கள்.
| பொருள் | ஓர் அதிகாரபூர்வ ஆதாரம் | மற்றொரு ஆதாரம் | எதைப் பயன்படுத்துவது |
|---|---|---|---|
| LibriSpeech மாதிரிகளை விடப் பிழை குறைவு | ஆய்வுக் கட்டுரை: சராசரியாக 55.2% குறைவான தவறுகள் | OpenAI அறிவிப்பு: 50% குறைவான தவறுகள் | ஆய்வுக் கட்டுரையின் எண்ணையும் ஒப்பீடும் குறிப்பிடவும் |
| ஆங்கிலம் தவிர பயிற்சித் தரவிலுள்ள மொழிகள் | ஆய்வுக் கட்டுரை: மற்ற 96 மொழிகள் | மாதிரி அட்டை: 98 மொழிகள் | பேச்சறிதலுக்கு «சுமார் 99 மொழிகள்» |
| மொழிபெயர்ப்புப் பயிற்சி நேரம் | மாதிரி அட்டை: 126,000 | ஆய்வுக் கட்டுரை: 125,000 | தோராயமானது எனக் குறிப்பிட்டு ஏதேனும் ஒன்று |
| Turbo அளவுருக்கள் | README மற்றும் Hugging Face: 809 M | மாதிரி அட்டை அட்டவணை: 798 M | பெரும்பாலான ஆதாரங்களின் 809 M |
| பயிற்சித் தரவு அளவு | முதல் ஆய்வுக் கட்டுரை: 680,000 மணி | Large-v3 அட்டை: 5 மில்லியன் மணி | குறிப்பிடும் பதிப்பைச் சொல்லுங்கள் |
| உரிமம் | GitHub: நிரல், மாதிரி எடைகளுக்கு MIT | Hugging Face large-v3 மேல்தரவு: Apache-2.0 | பதிவிறக்கிய பிரதியின் உரிமக் கோப்பைப் பாருங்கள் |
Whisper பயன்படுத்த மூன்று வழிகள்
நீங்களே இயக்குவது இலவசம். ஒலி உங்கள் கணினியிலேயே இருக்கும். OpenAI API-க்கு நிறுவல் தேவையில்லை, ஆனால் கோப்பின் அளவு வரம்புக்குள் இருக்க வேண்டும். இணையப் படியெடுப்புச் செயலியில் தொகுத்தல், பேச்சாளர் அடையாளங்கள், ஏற்றுமதி ஆகியவை கிடைக்கும். மூன்றாம் தரப்புச் சேவையின் சொந்த விதிகள் பொருந்தும்.
| திறந்த மூல Whisper இயக்குதல் | OpenAI படியெடுப்பு API | இணையப் படியெடுப்புச் செயலி | |
|---|---|---|---|
| அமைப்பு | Python, PyTorch, FFmpeg | நிரல், API விசை | உலாவி |
| செலவு | இலவசம், சொந்த வன்பொருள் | பயன்பாட்டுக்கு ஏற்ப | செயலிக்கு ஏற்ப இலவசத் திட்டம் அல்லது சந்தா |
| கோப்பு வரம்பு | உங்கள் வன்பொருளைப் பொறுத்தது | கோப்புக்கு 25 MB | செயலியே நிர்ணயிக்கும் |
| ஒலி எங்குச் செல்கிறது? | உங்கள் கணினியிலேயே | OpenAI-க்கு அனுப்பப்படும் | செயலியின் சேவையகத்துக்கு அனுப்பப்படும் |
| பேச்சாளர் அடையாளங்கள் | உள்ளமைக்கப்படவில்லை | whisper-1-இல் இல்லை | செயலிக்கு ஏற்ப மாறும் |
| தொகுப்பும் ஏற்றுமதியும் | கட்டளை வரியிலிருந்து TXT, SRT, VTT, TSV, JSON | உங்கள் நிரலுக்குத் திரும்பும். மீதியை நீங்கள் உருவாக்க வேண்டும் | பொதுவாகத் தொகுப்பி, ஆவணம் மற்றும் வசன ஏற்றுமதிகள் |
உங்கள் கணினியில் Whisper-ஐ இயக்குங்கள்
OpenAI README-இல் நிறுவல் கட்டளையும் அடிப்படை இயக்கக் கட்டளையும் கொடுக்கப்பட்டுள்ளன.
pip install -U openai-whisper
whisper interview.mp3 --model turbo
FFmpeg-ஐயும் நிறுவியிருக்க வேண்டும். Python 3.8 முதல் 3.11 வரை நிரல் இயங்க வேண்டும் என README கூறுகிறது. பேச்சு மொழியைத் தெரிவிக்க --language சேர்க்கவும். ஆங்கில மொழிபெயர்ப்புக்குப் பல்மொழி மாதிரியுடன் --task translate பயன்படுத்துங்கள். முதல் பயன்பாட்டில் மாதிரி எடைகள் பதிவிறங்கும்.
OpenAI API-ஐப் பயன்படுத்துங்கள்
OpenAI-யின் பேச்சை எழுத்தாக்கும் வழிகாட்டி பதிவேற்ற வரம்பைக் கோப்புக்கு 25 MB எனக் குறிப்பிடுகிறது. பெரிய கோப்பைச் சுருக்குங்கள் அல்லது பிரியுங்கள். நவம்பர் 2026-இல் சரிபார்க்கப்பட்ட வழிகாட்டியில் whisper-1 பயன்பாட்டிலிருந்து நீக்கப்படுவதாகவும் பிப்ரவரி 26, 2027 அன்று நிறுத்தப்படும் என்றும் குறிப்பிடப்பட்டுள்ளது. உருவாக்குநர்களுக்குப் புதிய படியெடுப்பு மாதிரிகளைச் சுட்டுகிறது. அவை OpenAI-யின் தனிப் பேச்சு மாதிரிகள். திறந்த மூல Whisper பதிப்புகள் மேலே கொடுக்கப்பட்டுள்ளன.
இணையப் படியெடுப்புச் செயலியைப் பயன்படுத்துங்கள்
எதையும் நிறுவ விரும்பாவிட்டால் இணையச் செயலி அதன் சேவையகத்தில் கோப்பைச் செயலாக்கும். whispertranscribe.ai ஒரு தேர்வு. அதன் இலவச ஒலியிலிருந்து உரை மாற்றியில் விரைவாக முயற்சி செய்யலாம். முகப்புப் பக்கம் whispertranscribe.ai-ஐ «Whisper மற்றும் அடுத்த தலைமுறை AI மூலம் இயங்குகிறது» என விவரிக்கிறது. தயாரிப்புப் பக்கங்களில் உள்ள அம்சங்கள் பின்வருமாறு.
- 5GB மற்றும் 10 மணி நேரம் வரையிலான ஒலி அல்லது காணொளியைப் பதிவேற்றுங்கள். அல்லது URL-இலிருந்து படியெடுங்கள் என்பதில் YouTube, Vimeo, Google Drive, Dropbox இணைப்பை ஒட்டுங்கள்.
- 130+ மொழிகள் மற்றும் இயக்கக்கூடிய பேச்சாளர் கண்டறிதல்.
- ஒலிவாங்கியிலிருந்து நேரடிப் படியெடுப்பு, மேலும் உலாவியில் பதிவு செய்து படியெடுத்தல். பதிவு செய்வதற்கு முன் தேவையான சம்மதத்தையும் இணைய அமர்வுக்கு ஏற்பாட்டாளரின் அனுமதியையும் பெறுங்கள்.
- DOCX, PDF, SRT, VTT, TXT, CSV ஏற்றுமதிகள். AI துணை வசன உருவாக்கி வழியாகத் துணை வசனங்களும் கிடைக்கும்.
- ஆங்கிலமல்லாத பதிவுகளுக்காக ஒலியை ஆங்கிலத்திற்கு மொழிபெயர்த்தல்.
கோப்பு மேகச் சேவைக்குச் செல்கிறது. API, தனிப்பயன் சொற்பட்டியல், கூட்ட bot ஆகியவை இல்லை. கட்டணத் திட்டங்கள் ஆண்டு கட்டண முறையில் மாதம் $9.99 முதல் (விலை). கணக்கு தேவையின்றி இலவசமாகத் தொடங்கலாம். விவரங்களுக்கு Whisper AI படியெடுப்புக் கருவி அல்லது அனைத்து அம்சங்கள் பக்கத்தைப் பாருங்கள்.
Whisper திறந்த மூலமா? உரிமம் எதை அனுமதிக்கிறது?
ஆம். OpenAI களஞ்சியத்தின்படி «Whisper நிரலும் மாதிரி எடைகளும் MIT உரிமத்தின் கீழ் வெளியிடப்பட்டன». MIT பரந்த அனுமதிகளை வழங்கும் உரிமம். பதிப்புரிமை மற்றும் உரிம அறிவிப்பை வைத்திருக்கும் வரை, பொதுவாக இந்த நிரல் அடிப்படையிலான மென்பொருளைப் பயன்படுத்தவும் நகலெடுக்கவும் மாற்றவும் விற்கவும் அனுமதிக்கிறது.
பிற தளங்களிலுள்ள பிரதிகளின் உரிம மேல்தரவு மாறலாம். Hugging Face large-v3 பக்கம் Apache-2.0 என்று குறிப்பிடுகிறது. பயன்படுத்தும் பிரதியோடு வரும் உரிமத்தைப் படியுங்கள். மென்பொருளுக்கு உரிமம் பொருந்துகிறது. ஒலிப் பதிவுக்குச் சம்மதமும் தனியுரிமை விதிகளும் தொடர்ந்து பொருந்துகின்றன. இது பொதுத் தகவல், சட்ட ஆலோசனை அல்ல. MIT உரிம உரை அதிகாரபூர்வ ஆதாரம்.
Whisper யாருக்கு ஏற்றது?
இலவசமாகவும் தனிப்பட்ட முறையிலும் அளவு வரம்பின்றியும் படியெடுக்க விரும்பும் உருவாக்குநர்களுக்கும் கட்டளை வரியில் வேலை செய்யப் பழகியவர்களுக்கும் Whisper பொருந்தும். தொகுப்பி, ஏற்றுமதிகளுடன் தயாரான படியெடுப்பு வேண்டும் என்றால் இணையச் செயலி பொதுவாக விரைவானது.
| நீங்கள்… | ஏற்ற தேர்வு | காரணம் |
|---|---|---|
| தயாரிப்பு உருவாக்குநர் | திறந்த மூல Whisper அல்லது API | செயல்முறையின் முழுக் கட்டுப்பாடு |
| ரகசிய நேர்காணல்களைக் கையாளும் ஆய்வாளர் | கணினியில் திறந்த மூல Whisper | ஒலி உங்கள் கணினியை விட்டு வெளியேறாது |
| இந்த வாரமே வசனம் தேவைப்படும் படைப்பாளர் | SRT அல்லது VTT ஏற்றுமதியுள்ள இணையச் செயலி | அமைப்பு தேவையில்லை, நேரக்குறியுள்ள கோப்பு பதிவேற்றத்துக்குத் தயார் |
| GPU இல்லாத மடிக்கணினி பயனர் | கணினியில் சிறிய மாதிரி அல்லது இணையச் செயலி | பெரிய மாதிரிகளுக்குச் சுமார் 10 GB VRAM தேவை |
Whisper படியெடுப்பைப் பயன்படுத்தும் முன் சரிபார்க்க வேண்டியவை
OpenAI ஆய்வுக் கட்டுரையிலும் மாதிரி அட்டையிலும் குறிப்பிடப்பட்ட பிழைகளிலிருந்து இந்தப் பட்டியலை அமைத்தோம்.
- இடைவெளிகளிலும் அமைதியான பகுதிகளிலும் யாரும் சொல்லாத வாக்கியங்கள் உள்ளனவா என மாதிரி எடுத்துச் சரிபார்க்கவும்.
- ஒரே சொற்றொடர் தொடர்ச்சியாக மீண்டும் எழுதப்பட்டுள்ளதா எனப் பாருங்கள்.
- முதல், கடைசி வரிகளை ஒலியுடன் ஒப்பிடுங்கள்.
- பெயர்கள், எண்கள், துறைச்சொற்களைச் சரிபார்க்கவும்.
- சரியான மொழி கண்டறியப்பட்டதை உறுதிசெய்யுங்கள் அல்லது நீங்களே அமைக்கவும்.
- மொழிபெயர்ப்புக்கு turbo பயன்படுத்தவில்லை என்பதை உறுதிசெய்யுங்கள்.
- தேவைப்பட்டால் தனிக் கருவி மூலம் பேச்சாளர் அடையாளங்களைச் சேர்க்கவும்.
- பிறரைப் பதிவு செய்வதற்கும் படியெடுப்பதற்கும் முன் சம்மதம் பெறுங்கள்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
Whisper AI இலவசமா?
ஆம். OpenAI Whisper பதிவிறக்குவதும் இயக்குவதும் இலவசம். நிரல் குறியீட்டையும் மாதிரி எடைகளையும் MIT உரிமத்தில் OpenAI வழங்குகிறது. அதற்குப் பணம் செலுத்த வேண்டியதில்லை. உங்கள் சொந்தக் கணினி தேவை. பெரிய மாதிரிக்குச் சுமார் 10 GB GPU நினைவகம் வேண்டும். இணையச் சேவைகளுக்குக் கட்டணம் உண்டு. OpenAI API பயன்பாட்டுக்கு ஏற்ப கட்டணம் வசூலிக்கிறது. படியெடுப்புச் செயலிகள் சொந்தத் திட்டங்களை வழங்குகின்றன. இலவச மாதிரியை இயக்க Python, FFmpeg மற்றும் கட்டளை வரிப் பழக்கம் தேவை.
Whisper வெவ்வேறு பேச்சாளர்களைக் கண்டறியுமா?
அதற்குத் தனிக் கருவி தேவை. Whisper பேசியதை எழுதுகிறது. பேச்சாளர் பிரிப்பு போன்ற திறன்கள் உறுதியாக மதிப்பிடப்படவில்லை என OpenAI மாதிரி அட்டை குறிப்பிடுகிறது. அடையாளங்களைப் பெறத் தனிப் பேச்சாளர் பிரிப்புக் கருவியை Whisper உடன் இணைப்பார்கள் அல்லது பேச்சாளர் கண்டறிதல் உள்ள செயலியைப் பயன்படுத்துவார்கள். whispertranscribe.ai-இல் படியெடுக்கும் முன் பேச்சாளர் கண்டறிதலை இயக்கலாம். ஒரே போல் ஒலிக்கும் குரல்களுள்ள பதிவுகளில் அடையாளங்களைச் சரிபாருங்கள்.
Whisper நிகழ்நேரத்தில் படியெடுக்குமா?
கூடுதல் வேலை தேவை. Whisper பதிவு செய்யப்பட்ட ஒலிக்காக உருவாக்கப்பட்டு 30 விநாடித் துண்டுகளாகச் செயலாக்குகிறது. கூடுதல் கட்டமைப்பின்றி நிகழ்நேரப் படியெடுப்பில் பயன்படுத்த முடியாது என OpenAI மாதிரி அட்டை கூறுகிறது. சிறு துண்டுகள் வந்தவுடன் அவற்றை அனுப்பி நிகழ்நேரத்துக்கு நெருக்கமான கருவிகளை உருவாக்குநர்கள் அமைத்துள்ளனர். நேரடி வசனங்களுக்குத் தனி நேரடி முறை கொண்ட கருவியைத் தேடுங்கள். முடிந்த பதிவிலிருந்து பெறும் படியெடுப்பைவிட நேரடி முடிவை அதிகம் திருத்த வேண்டியிருக்கலாம்.
Whisper எத்தனை மொழிகளை ஆதரிக்கிறது?
Whisper சுமார் 99 மொழிகளைக் கண்டறிகிறது. large-v3 கான்டோனீஸைச் சேர்த்த பிறகு தற்போதைய டோக்கன் பிரிப்பியில் 100 மொழிக் குறியீடுகள் உள்ளன. தரம் பெரிதும் மாறுகிறது. சுமார் 10 மொழிகளில் வலுவான முடிவுகள் இருப்பதாக OpenAI மாதிரி அட்டை சொல்கிறது. பெரும்பாலான மொழிகளில் 1,000 மணிக்குக் குறைவான பயிற்சி ஒலி இருந்தது என ஆய்வுக் கட்டுரை கண்டது. அரிதான மொழியை நம்பிப் பணியாற்றும் முன் சிறு துண்டைச் சோதியுங்கள். whispertranscribe.ai-இன் 130+ மொழிகள் போன்ற எண்கள் அந்தத் தயாரிப்பின் ஆதரவைக் குறிக்கின்றன.
whispertranscribe.ai-உம் OpenAI Whisper-உம் ஒன்றா?
OpenAI Whisper என்பது நீங்கள் பதிவிறக்கி இயக்கும் திறந்த மூல மாதிரி. whispertranscribe.ai என்பது உலாவியில் இயங்கும் தனிப் படியெடுப்புச் சேவை. அதன் முகப்புப் பக்கம் Whisper, அடுத்த தலைமுறை AI மூலம் இயங்குவதாகச் சொல்கிறது. 5GB வரையிலான பதிவேற்றம், YouTube அல்லது Google Drive இணைப்பு இறக்குமதி, பேச்சாளர் கண்டறிதல், DOCX, PDF, SRT, VTT ஏற்றுமதிகளைச் சேர்க்கிறது. பெயரில் «Whisper» உள்ள மற்ற செயலிகள் பிற நிறுவனங்களின் தனித் தயாரிப்புகள்.
யாரும் சொல்லாத சொற்களை Whisper சில நேரங்களில் ஏன் எழுதுகிறது?
மொழி மாதிரி போல இது உரையைக் கணிக்கிறது. இணையத்திலிருந்து பெறப்பட்ட அதிகமான, இரைச்சலான தரவுப் பயிற்சி சில நேரம் ஒலியில் இல்லாத சொற்களைத் தர வழிவகுப்பதாக OpenAI மாதிரி அட்டை கூறுகிறது. கேட்பதைப் படியெடுக்கும்போதே அடுத்த வாய்ப்புள்ள சொல்லைக் கணிப்பதாக OpenAI விளக்குகிறது. 2024 ஆய்வில் பரிசோதித்த படியெடுப்புகளில் சுமார் 1%-இல் முழுமையாகப் புனையப்பட்ட சொற்றொடர்கள் இருந்தன. நீண்ட இடைவெளிகளுக்கு அருகே இவை அதிகமாக இருந்தன. இடைவெளி, அமைதியான பகுதிகள், முக்கியச் சொற்களை ஒலியுடன் ஒப்பிடுங்கள்.
நிறுவல் இல்லாமல் Whisper படியெடுப்பு வேண்டுமா? whispertranscribe.ai-இல் கோப்பைப் பதிவேற்றுங்கள் அல்லது இணைப்பை ஒட்டுங்கள். 130+ மொழிகளில் உரையைப் பெற்று DOCX, PDF, SRT, VTT வடிவில் ஏற்றுமதி செய்யுங்கள்.
ஆதாரங்கள்
- OpenAI: Whisper அறிமுகம் (செப்டம்பர் 21, 2022)
- Radford மற்றும் குழு: பெருமளவிலான பலவீன மேற்பார்வையுடன் நம்பகமான பேச்சறிதல் (arXiv 2212.04356)
- OpenAI: Whisper GitHub களஞ்சியம் மற்றும் README, மாதிரி அட்டை, MIT உரிமம்
- Hugging Face: openai/whisper-large-v3 மாதிரி அட்டை
- OpenAI API ஆவணங்கள்: பேச்சை எழுத்தாக்கும் வழிகாட்டி (நவம்பர் 2026-இல் சரிபார்க்கப்பட்டது)
- Koenecke மற்றும் குழு: Careless Whisper: பேச்சை எழுத்தாக்கும்போது புனையப்படும் சொற்களால் ஏற்படும் பாதிப்புகள் (arXiv 2402.08021)
